redis vl python下載 - redis vl python源代碼下載

redis vl python

其他源碼

0.3.6

下載

矢量庫

* ai-native * redis python客戶端

家庭文檔食譜

介紹

歡迎來到Redis Vector Library - 最終的Python客戶端，專為AI應用程序而設計，以利用Redis的力量。

redisvl是您的首選工具：

閃電信息檢索和向量相似性搜索
實時抹布管道
代理記憶結構
智能推薦引擎

？入門

安裝

使用pip安裝redisvl （> = 3.8）環境中：

pip install redisvl

有關更多詳細說明，請訪問“安裝指南”。

設置Redis

從多個REDIS部署選項中進行選擇：

REDIS雲：託管雲數據庫（免費層）

REDIS堆棧：開發的Docker圖像

docker run -d --name redis-stack -p 6379:6379 -p 8001:8001 redis/redis-stack:latest

Redis Enterprise：商業，自託管數據庫
REDIS Enterprise的Azure Cache：Azure上完全管理的Redis Enterprise

通過免費的Redis Insight GUI增強您的經驗和可觀察性。

概述

？redis索引管理

為您的用例設計一個模式，該架構使用內置的Redis和可索引字段（例如文本，標籤，數字，GEO和向量）建模數據集。從yaml文件加載模式：

 index :
  name : user-idx
  prefix : user
  storage_type : json

fields :
  - name : user
    type : tag
  - name : credit_score
    type : tag
  - name : embedding
    type : vector
    attrs :
      algorithm : flat
      dims : 4
      distance_metric : cosine
      datatype : float32

 from redisvl . schema import IndexSchema

schema = IndexSchema . from_yaml ( "schemas/schema.yaml" )

或直接從Python詞典加載：

 schema = IndexSchema . from_dict ({
    "index" : {
        "name" : "user-idx" ,
        "prefix" : "user" ,
        "storage_type" : "json"
    },
    "fields" : [
        { "name" : "user" , "type" : "tag" },
        { "name" : "credit_score" , "type" : "tag" },
        {
            "name" : "embedding" ,
            "type" : "vector" ,
            "attrs" : {
                "algorithm" : "flat" ,
                "datatype" : "float32" ,
                "dims" : 4 ,
                "distance_metric" : "cosine"
            }
        }
    ]
})

使用輸入架構和客戶端連接創建搜索index類，以便在redis中的索引上執行管理和搜索操作：

 from redis import Redis
from redisvl . index import SearchIndex

# Establish Redis connection and define index
client = Redis . from_url ( "redis://localhost:6379" )
index = SearchIndex ( schema , client )

# Create the index in Redis
index . create ()

異步符合搜索索引類也可用：AsyncSearchIndex。

加載並從您的redis實例中獲取數據：

 data = { "user" : "john" , "credit_score" : "high" , "embedding" : [ 0.23 , 0.49 , - 0.18 , 0.95 ]}

# load list of dictionaries, specify the "id" field
index . load ([ data ], id_field = "user" )

# fetch by "id"
john = index . fetch ( "john" )

？檢索

定義查詢並在您的索引上執行高級搜索，包括向量，元數據過濾器等的組合。

矢量圖 - 具有可自定義過濾器的靈活矢量查詢啟用語義搜索：

 from redisvl . query import VectorQuery

query = VectorQuery (
  vector = [ 0.16 , - 0.34 , 0.98 , 0.23 ],
  vector_field_name = "embedding" ,
  num_results = 3
)
# run the vector search query against the embedding field
results = index . query ( query )

將復雜的元數據過濾器納入您的查詢：

 from redisvl . query . filter import Tag

# define a tag match filter
tag_filter = Tag ( "user" ) == "john"

# update query definition
query . set_filter ( tag_filter )

# execute query
results = index . query ( query )

rangequery-在定義的範圍內與可自定義過濾器配對的矢量搜索
FilterQuery-使用過濾器和全文搜索的標準搜索
CountQuery-計數給定屬性的索引記錄的數量

閱讀有關構建高級Redis查詢的更多信息。

？公用事業

向量器

與流行的嵌入提供商集成，以極大地簡化索引和查詢的非結構化數據的過程：

Azureopenai
共同
風俗
GCP Vertexai
擁抱面
Mistral
Openai

 from redisvl . utils . vectorize import CohereTextVectorizer

# set COHERE_API_KEY in your environment
co = CohereTextVectorizer ()

embedding = co . embed (
    text = "What is the capital city of France?" ,
    input_type = "search_query"
)

embeddings = co . embed_many (
    texts = [ "my document chunk content" , "my other document chunk content" ],
    input_type = "search_document"
)

了解有關在嵌入工作流中使用矢量器的更多信息。

Rerankers

與流行的重讀提供商集成，以改善Redis的初始搜索結果的相關性

？擴展

我們很高興地宣布對重新配置擴展的支持。這些模塊實現了界面，以公開最佳實踐和設計模式，以使用LLM內存和代理。我們從從用戶（就是您）和出血的客戶那裡學到的東西中汲取了最好的作用，並將其包裝好了。

有另一個擴展名的想法嗎？打開PR或通過[email protected]與我們聯繫。我們總是願意接受反饋。

LLM語義緩存

通過利用SemanticCache利用先前生成的知識來增加應用吞吐量並降低生產中使用LLM模型的成本。

 from redisvl . extensions . llmcache import SemanticCache

# init cache with TTL and semantic distance threshold
llmcache = SemanticCache (
    name = "llmcache" ,
    ttl = 360 ,
    redis_url = "redis://localhost:6379" ,
    distance_threshold = 0.1
)

# store user queries and LLM responses in the semantic cache
llmcache . store (
    prompt = "What is the capital city of France?" ,
    response = "Paris"
)

# quickly check the cache with a slightly different prompt (before invoking an LLM)
response = llmcache . check ( prompt = "What is France's capital city?" )
print ( response [ 0 ][ "response" ])

 >>> Paris

了解有關LLMS語義緩存的更多信息。

LLM會話管理

通過提供用戶聊天歷史記錄作為上下文來提高LLM響應的個性化和準確性。使用新的或相關性來管理對會話數據的訪問，該訪問由矢量搜索供應使用SemanticSessionManager 。

 from redisvl . extensions . session_manager import SemanticSessionManager

session = SemanticSessionManager (
    name = "my-session" ,
    redis_url = "redis://localhost:6379" ,
    distance_threshold = 0.7
)

session . add_messages ([
    { "role" : "user" , "content" : "hello, how are you?" },
    { "role" : "assistant" , "content" : "I'm doing fine, thanks." },
    { "role" : "user" , "content" : "what is the weather going to be today?" },
    { "role" : "assistant" , "content" : "I don't know" }
])

獲取最近的聊天歷史記錄：

 session . get_recent ( top_k = 1 )

 >>> [{"role": "assistant", "content": "I don't know"}]

獲取相關的聊天歷史記錄（由向量搜索提供支持）：

 session . get_relevant ( "weather" , top_k = 1 )

 >>> [{"role": "user", "content": "what is the weather going to be today?"}]

了解有關LLM會話管理的更多信息。

LLM語義路由

構建直接在Redis中運行的快速決策模型，並將用戶查詢到最近的“路由”或“主題”。

 from redisvl . extensions . router import Route , SemanticRouter

routes = [
    Route (
        name = "greeting" ,
        references = [ "hello" , "hi" ],
        metadata = { "type" : "greeting" },
        distance_threshold = 0.3 ,
    ),
    Route (
        name = "farewell" ,
        references = [ "bye" , "goodbye" ],
        metadata = { "type" : "farewell" },
        distance_threshold = 0.3 ,
    ),
]

# build semantic router from routes
router = SemanticRouter (
    name = "topic-router" ,
    routes = routes ,
    redis_url = "redis://localhost:6379" ,
)


router ( "Hi, good morning" )

 >>> RouteMatch(name='greeting', distance=0.273891836405)

了解有關語義路由的更多信息。

命令行接口

從專用CLI接口： rvl創建，破壞和管理REDIS索引配置。

$ rvl -h

usage: rvl < command > [ < args > ]

Commands:
        index       Index manipulation (create, delete, etc.)
        version     Obtain the version of RedisVL
        stats       Obtain statistics about an index

閱讀有關使用CLI的更多信息。

為什麼要重新固定？

在Genai時代，向量數據庫和LLM正在轉換信息檢索系統。借助Langchain和Llamaindex等新興和流行的框架，創新很快。然而，許多組織面臨快速和大規模提供AI解決方案的挑戰。

輸入Redis - NOSQL世界的基石，以其多功能數據結構和處理引擎而聞名。 Redis在實時工作負載中出色，例如緩存，會話管理和搜索。作為抹布，LLM緩存的矢量數據庫，也是對話式AI的聊天會話記憶存儲。

REDIS矢量庫彌合了AI-NATIANIT開發人員生態系統與Redis強大功能之間的差距。 Redisvl具有輕巧，優雅和直觀的界面，可輕鬆利用Redis的力量。 redisvl建立在Redis Python客戶端的基礎上，將Redis的功能轉化為一種與當今AI/ML工程師和數據科學家的需求完全一致的語法。